M3Net：面向肺结节分类的宏观到中观到微观临床启发式层次 3D 网络
计算机视觉与模式识别
2026-05-14 v1
摘要
准确分类 CT 扫描中的良性和恶性肺结节对于早期肺癌筛查至关重要，但由于肺结节的多尺度和异质性质，这一任务仍具挑战性。虽然深度学习为辅助诊断提供了潜在方案，但大多数现有模型作为“黑盒”，缺乏透明度和可解释性，难以实现可信的临床集成。为此，本文提出 M3Net，这是一种受肺部放射科医生分层诊断工作流程启发的 novel 3D 网络，用于肺结节分类，将多尺度语义信息从细粒度结构到全局解剖关系集成在一起。我们的框架构建了从细粒度结节结构到局部语义再到全局空间关系的渐进式多尺度输入。M3Net 采用尺度特定编码器，通过潜在空间投影和相互信息最大化确保跨尺度语义一致性。在公共数据集 LIDC-IDRI 和自收集的临床数据集（USTC-FHLN）上的大量实验表明，我们的方法分别实现了 86.96% 和 84.24% 的准确率，超越最佳基线 3.26% 和 2.17%。结果表明，M3Net 提供了更稳健且临床相关的肺结节分类解决方案。代码已公开于 https://github.com/jylEcho/M3-Net。
引用
@article{arxiv.2605.12570,
title = {M3Net: A Macro-to-Meso-to-Micro Clinical-inspired Hierarchical 3D Network for Pulmonary Nodule Classification},
author = {Jinyue Li and Yuzhou Yu and Jingjing Yang and Meng Fu and Yani Zhang and Shuyao He and Dianlong Ge and Xin Ning and Yannan Chu and Qiankun Li},
journal= {arXiv preprint arXiv:2605.12570},
year = {2026}
}
备注
Published in Information Fusion (2026), 15 pages, 5 figures